論文の概要: Progressive Experience Fusion for Multi-Task World Model Control in Endovascular Navigation
- arxiv url: http://arxiv.org/abs/2608.18647v1
- Date: Wed, 19 Aug 2026 07:51:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.325313
- Title: Progressive Experience Fusion for Multi-Task World Model Control in Endovascular Navigation
- Title（参考訳）: 血管内ナビゲーションにおける多タスク世界モデル制御のためのプログレッシブ・エクスペリエンス・フュージョン
- Abstract要約: 本研究は,多段TD-MPC2コントローラを学習するためのプログレッシブ・エクスペリエンス・フュージョン (PEF) について検討する。
また, モデル予測経路統合計画の地平線を, 残留行動系列分散を用いて変更し, 患者固有のシミュレーションで微調整する計画についても検討した。
- 参考スコア（独自算出の注目度）: 37.517747868704184
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Autonomous endovascular navigation could support the delivery of mechanical thrombectomy to underserved areas, but controllers must navigate long, multi-stage paths across varying vascular anatomies. This study investigates Progressive Experience Fusion (PEF) to train a multi-task TD-MPC2 controller. We additionally evaluate a heuristic that changes the Model Predictive Path Integral planning horizon using residual action-sequence dispersion, and fine-tuning in a patient-specific simulation. Across five subtasks in ten known training anatomies with held-out targets, PEF achieved a mean success rate of 74%, compared with 37% for Soft Actor-Critic (p < 0.001) and 65% for base TD-MPC2 (p = 0.053). A PEF controller with adaptive-horizon planning trained on 30 vasculatures achieved a mean success rate of 90% in ten held-out vasculatures. The PEF agent successfully transferred to an unseen in vitro stroke patient vasculature under fluoroscopy, achieving a mean path ratio improvement from 63% to 80% with fine-tuning (p < 0.001), following 40x103 fine-tuning steps (corresponding to approximately 107 min of clinical inter-hospital transfer time). This work represents a proof of concept for multi-vasculature training and patient-specific adaptation, while further validation is required before clinical deployment.
- Abstract（参考訳）: 自律的な血管内ナビゲーションは、保存されていない領域への機械的血栓切除の伝達を支援することができるが、コントローラは様々な血管解剖を横断する長い多段階の経路をナビゲートする必要がある。
本研究は,マルチタスクTD-MPC2コントローラをトレーニングするためのプログレッシブ・エクスペリエンス・フュージョン(PEF)について検討する。
また, モデル予測経路統合計画地平線を残留行動系列分散を用いて変更し, 患者固有のシミュレーションで微調整するヒューリスティックを評価した。
PEFが平均成功率は74%であり, ソフトアクター・クリティカル (p < 0.001) は37%, ベースTD-MPC2 (p = 0.053) は65%であった。
適応水平配置を30個の血管で訓練したPEFコントローラは,10個の血管で平均90%の成功率を達成した。
PEF薬は, 精細調整(p< 0.001)で63%から80%に改善し, 40×103の微調整(臨床熱間移行時間約107分)を経た。
本研究は,多血管性訓練と患者固有の適応の概念の証明であり,臨床展開にはさらなる検証が必要である。
関連論文リスト
- A Clinically Validated Foundation Model for Comprehensive Lung Pathology Interpretation [36.95302007351382]
PulmoFoundation(プルモファウンデーション)は、肺病理の総合的評価のための、RCT(RCT)評価基礎モデルである。
本モデルでは, 生検, 凍結部, 外科的切除スライスを対象とし, コア診断タスクにおける臨床成績を評価する。
論文 参考訳（メタデータ） (2026-05-25T14:04:56Z) - Anatomical Landmark-Guided Deep Reinforcement Learning for Autonomous Gastric Navigation [9.172107354380117]
ワイヤレスカプセル内視鏡(WCE)は、消化管の無痛な可視化を可能にする。
本稿では,自律型胃ナビゲーションのための移動型,解剖学的ランドマーク付き深部強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-08T03:11:21Z) - A Breast Vision Pathology Foundation Model for Real-world Clinical Utility [65.57568187389113]
a bfBRAVE, a breast-adaptive pathology foundation model developed and evaluation using a total resources of 101,638 breast wholeslide images。
臨床ワークフローにおけるBRAVEの実践的役割は、通常のAI支援による第2レビューから低リスクのケースを安全に排除すること、そしてさらなる評価のためのケースの優先順位付けなどである。
論文 参考訳（メタデータ） (2026-05-06T07:44:39Z) - Toward Safe Autonomous Robotic Endovascular Interventions using World Models [34.54099310430464]
TD-MPC2上に構築された自律血管ナビゲーションのための世界モデルに基づくフレームワークについて検討する。
患者特化血管の複数ナビゲーションを訓練したTD-MPC2エージェントについて検討した。
我々は、最先端のSoft Actor-Critic(SAC)アルゴリズムエージェントに対して、その性能をベンチマークする。
論文 参考訳（メタデータ） (2026-04-22T03:32:18Z) - Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。
ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。
MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
論文 参考訳（メタデータ） (2025-11-19T20:11:49Z) - Cancer-Net PCa-MultiSeg: Multimodal Enhancement of Prostate Cancer Lesion Segmentation Using Synthetic Correlated Diffusion Imaging [55.62977326180104]
前立腺癌病変の分節化に対する近年の深層学習アプローチは,限られた性能を達成している。
本稿では,標準拡散型プロトコルの拡張として,合成相関拡散イメージング(CDI$s$)について検討する。
以上の結果から,PCa病変セグメント化タスクの実践的ドロップイン強化として,CDI$s$に対する検証済み統合経路が確立された。
論文 参考訳（メタデータ） (2025-11-11T04:16:12Z) - Fluence Map Prediction with Deep Learning: A Transformer-based Approach [4.362977319915193]
本研究では, 臨床品質を維持しつつ, フラエンスマップ生成を加速する深層学習フレームワークを提案する。
エンドツーエンドの3D Swin-UNETRネットワークは、体積CT画像と解剖学的輪郭から直接9ビームのフルレンスマップを予測するために訓練された。
提案モデルでは,平均R2は0.95+/-0.02,MAEは0.035+/-0.008,ガンマ通過率は85+/-10%(3%/3mm)であった。
論文 参考訳（メタデータ） (2025-11-10T19:24:14Z) - World Model for AI Autonomous Navigation in Mechanical Thrombectomy [39.51808126417126]
モデルベースRLアルゴリズムであるTD-MPC2を用いて,自律型血管内ナビゲーションのための世界モデルを提案する。
SAC(Soft Actor-Critic)法と比較し,複数の血管内ナビゲーションタスクに対して1つのRLエージェントを訓練した。
その結果,TD-MPC2は多タスク学習においてSACを有意に上回り,SACの37%に比べ平均成功率は65%,パス比は顕著に改善した。
論文 参考訳（メタデータ） (2025-09-29T21:21:30Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。